BiStepNet 实现跨鞋履步态零样本识别:基于 StepUP-P150 数据集的稳健性研究
BiStepNet 架构利用 StepUP-P150 数据集,在用户仅用固定鞋履注册的情况下,实现了针对任意未见鞋履条件的零样本步态身份识别。该模型将空间与时间特征解耦为独立训练流,性能随训练集中鞋履表示的体积和多样性提升而系统增强。研究还证明,通过架构分解设计引入部分模态重叠的辅助步态数据集,可进一步改善对未见鞋履条件的鲁棒性。
BiStepNet 架构利用 StepUP-P150 数据集,在用户仅用固定鞋履注册的情况下,实现了针对任意未见鞋履条件的零样本步态身份识别。该模型将空间与时间特征解耦为独立训练流,性能随训练集中鞋履表示的体积和多样性提升而系统增强。研究还证明,通过架构分解设计引入部分模态重叠的辅助步态数据集,可进一步改善对未见鞋履条件的鲁棒性。
该研究在 NIH ChestX-ray14 数据集上训练了卷积网络与视觉 Transformer,评估其在美、越两地的 30.3768 万次决策发现:Grad-CAM 定位准确率最高仅 0.575,远低于放射科医生共识的 0.888。
针对无人机与地面监控摄像头图像间存在严重视角差异、遮挡及域间隙的挑战,本文提出 ProAlign 网络以解决层级特征提取中的累积位置漂移和跨视图语义不一致问题。
推荐理由:提出 ProAlign 网络,通过分层位置校准与视图感知原型对比学习解决空天地 ReID 的位置漂移与语义不一致问题。
针对汽车雷达感知中的杂波干扰问题,研究提出了轻量级微型图变换器网络(TGTNet),用于区分静止与运动目标。在公开数据集 RadarScenes 上的评估显示,该模型在精度和召回率上媲美最先进方法,但参数量降低一到两个数量级且推理速度显著提升。论文已被 IEEE Sensors Journal 接收,将于 2026 年 3 月发表,代码与数据暂未开放。
DPAGait 提出一种结合 2D 动态姿态与 3D SMPL 信息的双分支网络,利用 DPPS 表征提升信息熵以解决衣着、物体及视角变化导致的识别退化问题。该方法在 SUSTech1K、CCPG 和 Gait3D 四个野外数据集上验证了有效性,其中后两者支持或可估计 SMPL 信息,展现了跨时间变化的强泛化能力。完整框架代码与权重待 arXiv 注册后开放。
HTNN-MSC 提出用有界双曲正切张量秩替代传统范数,以解决多视图数据中主导分量被过度压缩的问题。该方法在 23 个基准数据集上平均聚类准确率达 0.8404,对凸 t-SVD-MSC 骨架取得 19 胜 1 平 3 负的成绩。论文为预印本状态,代码与权重暂未开放,实验仅覆盖计算机视觉领域的多视图聚类任务。
MiCaDe 是一种无需标定靶或修改感知栈的在线方案,用于检测激光雷达与相机的外参是否发生漂移。该方法利用标准目标检测器生成的 3D 和 2D 边界框在正确标定下应保持几何一致性的洞察,通过匹配跨模态检测结果推导几何一致性指标,并将其聚合为固定大小批次以生成似然流。
推荐理由:提出无需标定靶的在线外参漂移检测方法,利用跨模态检测几何一致性实现低误报率监控。
VisSearch-Bench 是一个包含 204 个人工编写任务的基准测试集,覆盖 7 个主要领域和 25 个子领域,旨在评估多模态智能体在利用图像工具进行长程信息连接时的表现。
该论文提出一种基于物理一致性的评估框架,用于验证汽车雷达感知中由数据驱动模型生成的车辆假设。该方法利用包含遮挡依赖边缘可见性、方位角与角度相关的 RCS 建模以及车轮诱导多普勒特征的物理参考模型,生成预期的雷达特征,并通过基于 Wasserstein 距离的一致性指标(涵盖检测空间分布、局部计数和反射强度)将其与观测到的雷达点云进行对比。
该研究利用仿射或方向协变特征,通过新型几何约束实现了联合单应性与径向畸变的极小化求解。在存在离群值时,该方法相比现有最先进方案显著提速且保持相当或更优的估计精度。实验验证了其在合成图像及含鱼眼畸变的真实图像上的有效性。
针对夜间图像复杂退化导致的质量评估难题,作者发布了 NightIQA 数据集与基准套件,包含由现代设备采集的 1,769 张高分辨率真实图像、专为多模态大模型设计的 1,078 道视觉 grounding 选择题以及生成 8 万张高保真图像的合成管线。基于该数据微调后的 Qwen3-VL-8B 在开源方法中表现最优,且整体准确率超过领先的闭源模型,验证了领域专用数据与结构化监督的价值。
针对现有方法依赖窄地理先验导致在大范围空天地跨视角定位中失效的问题,论文提出了 RingMatch 搜索验证框架与 VIGOR-Pro 基准数据集。RingMatch 利用预测不确定性筛选候选区域,并通过引入深度环这一新颖的几何表征作为空间签名,辅助 LVLM 解析视觉歧义。
作者发布了 iMED 数据集,这是首个针对机器人辅助微创手术(RAMIS)的同步多内窥镜数据集,包含来自两个独立立体内窥镜的 340 个序列约 17 万个同步时间点数据。
针对 AUROC 和 AUPRO 等全局指标在部分数据集上得分趋近 100% 且忽略阈值选择过程的局限,本文提出 Bounded AUKS 作为新的评估指标。该指标通过计算正常样本分布决定的有界范围内真阳性率与假阳性率的差值积分,直接量化异常分数分布的分离度。实验在 MVTec AD 和 VisA 数据集上验证了其在评估无监督异常检测模型方面的有效性。
VISAGE 是一种基于顶点的条件扩散框架,用于从稀疏图像恢复 3D 人头的身份忠实且基于物理的表面外观。该方法结合全局光谱处理与局部测地 K-近邻细化,无需训练时一致的 UV 参数化即可直接在任意网格拓扑上合成每个顶点的反照率和粗糙度。
论文提出 DOVE(Dental Optical Visual Encoder),基于约 53 万张无标注口腔照片进行域自适应自监督预训练,旨在解决口腔影像分析依赖昂贵专家标注的问题。
针对动态高斯泼溅(DGS)依赖完美时间同步的局限,本文提出 Phase-DGS 框架,用表征运动循环状态的语义相位替代传统时间戳,建立跨相机时空对应。该方法在丢帧、相机冻结及时间偏移场景下验证有效,相比基线提升 PSNR 最高达 8.5 dB,且能无缝集成 RealTime-4DGS 和 FreeTimeGS 等现有 DGS 骨干网络。论文已获 NeurIPS 2026 接收。
推荐理由:提出用语义相位替代时间戳解决多视角视频不同步问题,在丢帧和冻结场景下显著优于基线且兼容现有 DGS 骨干网络。
作者发布了 BhopalMLS 数据集,包含印度博帕尔约 10 公里道路走廊的 12 亿余点云及 1.9 万标注实例,涵盖细粒度静态类别与动态子类。实验显示微调后的基础模型 Utonia(L) 和 Concerto(L) 在该数据上表现优于从头训练的基线,且向其他区域迁移时效果显著优于反向迁移。研究归因于该数据集对非规划城市子类型的丰富覆盖,而非单纯的数据量或几何结构。
MambaHand Net 提出双流框架,结合 CNN 提取帧级局部身份特征并利用双向 Mamba 建模长程行为依赖。该方法在 SCUT-DHGA 基准数据集上取得最先进平均性能,验证了融合 CNN 与 Mamba 架构对动态手势认证的有效性。论文为 arXiv 预印本版本(arXiv:2611.04626),代码与权重尚未公开。
基于孪生神经网络和对比学习的深度学习方法,利用丹麦 CareForColon2015 试验中由临床专家标注的 5,103 对相同及不同息肉图像进行训练。实验结果显示该模型在结肠胶囊内镜分析任务中分类准确率达最高 92%,AUC 值接近 0.98。该技术有望减少息肉重复计数、优化患者风险分层并降低不必要的随访肠镜检查需求。
该论文针对弱监督旋转目标检测中缺乏明确方向信息导致的学习不稳定问题,提出利用图像自身梯度先验生成伪角度标签进行辅助监督的方法,无需旋转框标注或额外参数。研究还引入包含角度差异的评估指标以弥补传统 AP 对角度误差的掩盖。实验表明该方法在基准数据集上提升了检测性能与方向估计质量。材料为 arXiv 预印本,已接受 WACV 2027。
论文 SparseGraph-I2P 针对粗到细图像到点云配准中易丢弃正确但模糊的图对、重复匹配的问题,提出结合外观与深度兼容性构建粗假设图,并通过稀疏精细匹配解码像素及利用深度感知过滤提升内点率。该方法在传感器深度和单目深度校准条件下,于 RGB-D Scenes V2 和 7-Scenes 数据集上实现了最高的配准召回率和最低的延迟。代码即将发布。
该论文提出了一种名为 MPath Mamba 的新型神经网络框架,旨在解决自动驾驶系统中的 3D 语义场景补全任务。该方法结合了状态空间建模与基于扩散的生成方法,利用跳连三元组 Mamba 结构、维度分解残差和多路径数据中的多方向膨胀来高效处理长序列特征提取。
推荐理由:该工作提出融合状态空间建模与扩散模型的 MPath Mamba 网络,在 SemanticKITTI 基准上实现了具有竞争力的 3D 点云语义场景补全性能。
针对合成孔径成像中遮挡导致区域误判为占用及生物量高估问题,该研究通过引入深度切片作为负类标签修改训练数据。实验显示,2D U-Net 在无膨胀校准下取得 0.6514 的 IoU,优于 COLMAP(0.3446)和 DepthAnything3(0.2959)。结果揭示了传统重建方法在封闭树冠内推断占用状态的局限性。
针对 3D 高斯泼溅(3DGS)压缩带来的表示特异性失真及缺乏对齐真值的问题,作者构建了包含 3036 个重建、覆盖 11 个真实场景和 22 个合成场景的 3DGS-VBench+ 基准,标注了 9108 个 MOS 分数以评估整体、几何和颜色质量。
针对单目深度估计基础模型(如 Depth Anything)计算成本高及低比特量化难的问题,本文提出了 SPA-Q 框架。该方法包含注意力保持校准与通道分布对齐两个组件,旨在解决查询键投影独立量化破坏注意力图以及层间误差累积导致特征分布偏移的挑战。实验表明,在 NYUv2 和 KITTI 数据集上,SPA-Q 在4-bit量化下平均将 AbsRel 降低 25.9%,δ1 提升 17.3%。
针对高分辨率距离像(HRRP)识别中强视角依赖变化和稀疏新类支持的问题,本文提出偏振散射结构对比学习(PSS-CL)。该方法通过软亲和度将主导局部响应映射到标准偏振机制、归一化位置及能量贡献上,利用对称跨视图目标将散射结构转移至 HRRP 表示,并借助事件原型学习实现无需物理分支的新类推理。
针对 Vision-language 模型(如 CLIP)在测试时数据扰动下因模态偏差导致置信度过高的问题,本文提出 CDIM 方法。该方法在表征层面结合冻结的自监督骨干网络(DINO v2)与 CLIP,优化层面引入带门控的信息最大化目标以排除不可靠样本,预测层面进行在线 logit 调整。实验表明 CDIM 在 ImageNet-C、CIFAR10-C 等基准上优于现有基线,代码已开源。
KeyWise 利用已知键盘几何结构替代全局特征学习,在 PianoVAM 数据集上以 130 万参数实现 95.0% 的 onset F1,参数量仅为 SOTA 模型的 4.7%,推理速度提升 4.7 倍。该模型在 100ms 延迟下对离键与速度检测也显著优于基线,并在 PianoYT 数据集上经微调后达到 69.4% 的 onset F1。论文已开源预印本,适用于计算机视觉领域的音乐转录任务。
针对历史航空影像跨年份传感器差异导致一致时间序列稀缺的问题,研究团队开发了无需历史训练样本的双轨工作流。该流程对 2009-2017 年高质量影像采用预训练 U-Net/ResNet-34 结合 SAM 模型优化边界,对 2004-2008 年低质量影像则通过基于 NLCD 的时空桥接与标签回溯重建。
针对航空制造中飞机蒙皮自动铣削的系统性需求,该研究提出了一种结合空间切线连续性(STC)与分层分支搜索(HBS)的点云边缘检测新框架。该方法在合成模型及真实蒙皮工件上验证了性能,其提取的边缘精度优于现有基线方法,为后续加工提供了关键参考。
该论文提出 GVT3D 模型以解决 3D 具身参考理解中跨模态对齐难与计算成本高问题。方法包括在共享嵌入空间联合建模语言、手势和视觉输入的 Embodied Fusion 模块,以及针对点云粗粒度区域的注视(foveation)处理策略。
针对现有指令式图像编辑器主要运行于 1K 而实际编辑需忠实输出 2K/4K 的矛盾,本文提出 FLASH,一种原生高分辨率编辑器。该方法利用冻结的 1K 分支作为语义与结构锚点,在 Transformer 内重构局部细节;通过非对称拓扑保留完整 1K 注意力并引导高分辨率查询,将高分辨率目标 - 引用交互限制在局部 Halo 邻域。
DR-LiteNet 通过融合 EfficientNetB0 与手工特征分支,在 APTOS 2019 数据集上以 4.69M 参数量实现 88.77% 准确率并优于 ResNet50。该模型利用自适应 SMOTE 处理类别不平衡,结合 Grad CAM 提供临床可解释性,仅需单张 Google Colab T4 GPU 即可运行。项目代码已开源,论文被 iCONEECT 会议接收。
针对内窥镜手术场景中位姿跟踪、可形变重建与语义映射难以并行解决的挑战,论文提出基于高斯泼溅的 EndoS3 框架。该方法利用实例掩码引导任务分解,通过残差流分离动静实例并分配独立变形网络,同时根据实例大小与非刚性特征动态分配节点预算。
论文针对全切片多实例学习中模型忽视组织空间结构的‘空间盲区’问题,提出 ResTopoMIL 方法。该方法在训练图残差前冻结成分预测器,并利用坐标重分配分离损失进行优化。
SteelHuman 通过聚合手持稀疏视角下的冻结 DINOv2 token,在 600 个外折堆料上实现与操作员估计 13.4% 的总变异距离。针对 HMS 四类厚度定义的分配误差,图像依赖型分配将组内 TV 从 25.1% 降至 11.2%,且无需适配即可对齐 DOES 数据集分类类别。
该论文研究了冻结的目标检测器如何在雨、雾、雪和沙尘等恶劣天气条件下做出部署决策。作者复现了基于 conformal risk control 的 SeqCRC 作为基线,发现单一全局阈值在雾天失效且误报率波动巨大(每图 1.6 至 117 个)。
推荐理由:提出一种自适应阈值调节方法,在恶劣天气下平衡漏检与误报。
arXiv 论文发布 CLOCs-R,作为 CLOCs 候选级融合框架的扩展,引入雷达证据以增强远距离物体检测。研究在 KITTI 和 aiMotive 数据集上验证了该方法能改善 30-50 米距离的检测性能,但指出超过 50 米后增益有限且与纯 LiDAR 方案统计持平。分析归因于雷达特征区分度不足、远距训练正样本稀缺及相机证据弱等物理限制。
针对胸部 X 光诊断中需识别细微病变及并发异常的挑战,本文提出 GroundSeek-CXR 框架。该框架通过回顾性诊断评估(RDE)对离线蒙特卡洛树搜索生成的观察与停止候选进行评分,并利用回顾性差距加权偏好优化(RGPO)学习基于最终诊断结果的偏好信号。实验表明,该方法在异常图像样本 F1 值上比即时分数偏好学习方法提升 4.48%。
推荐理由:提出基于回顾性评估的主动观察框架,利用最终诊断结果优化局部区域选择与停止决策。